| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 风电功率预测技术的研究现状 | 第10-12页 |
| 1.2.1 国外的研究现状 | 第10-11页 |
| 1.2.2 国内预测现状 | 第11页 |
| 1.2.3 风电功率的预测方法 | 第11-12页 |
| 1.3 本文的结构 | 第12-14页 |
| 第2章 人工神经网络 | 第14-19页 |
| 2.1 人工神经网络概论 | 第14-16页 |
| 2.1.1 人工神经网络基本原理 | 第14-15页 |
| 2.1.2 人工神经网络的特点 | 第15-16页 |
| 2.2 人工神经网络模型 | 第16-17页 |
| 2.3 人工神经网络的运用领域 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 改进的粒子群优化算法 | 第19-34页 |
| 3.1 粒子群优化算法的介绍 | 第19-22页 |
| 3.1.1 粒子群优化算法原理 | 第19-20页 |
| 3.1.2 描述基本的粒子群算法 | 第20页 |
| 3.1.3 粒子群算法的步骤和流程 | 第20-22页 |
| 3.2 分析粒子群算法的特点 | 第22-23页 |
| 3.2.1 粒子群算法和遗传算法的对比 | 第22页 |
| 3.2.2 粒子群算法的不足之处 | 第22-23页 |
| 3.3 粒子群算法的改进 | 第23-28页 |
| 3.3.1 粒子群算法常见的改进方法 | 第23-24页 |
| 3.3.2 对惯性权值的改进 | 第24-25页 |
| 3.3.3 对加速因子的改进 | 第25-27页 |
| 3.3.4 对粒子速度边界的改进 | 第27-28页 |
| 3.4 仿真实验:四个函数测试改进算法的有效性 | 第28-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于IPSO算法的BP神经网络优化 | 第34-40页 |
| 4.1 BP神经网络 | 第34-37页 |
| 4.1.1 BP神经网络结构(前向传播网络) | 第34-37页 |
| 4.1.2 BP神经网络的不足和改进方法 | 第37页 |
| 4.2 IPSO算法对BP神经网络优化的步骤和流程 | 第37-39页 |
| 4.2.1 IPSO算法优化BP网络的步骤 | 第37-38页 |
| 4.2.2 IPSO算法优化BP网络的流程 | 第38-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第5章 IPSO-BP网络模型在风电功率预测的应用 | 第40-52页 |
| 5.1 风电功率的基本概念 | 第40-42页 |
| 5.2 短期风电功率预测的模型 | 第42-45页 |
| 5.2.1 数据收集和预处理 | 第42-43页 |
| 5.2.2 确定BP神经网络的结构 | 第43-45页 |
| 5.3 短期风电功率预测的实现 | 第45-51页 |
| 5.3.1 短期风电功率预测模型的训练结果的分析 | 第45-47页 |
| 5.3.2 短期风电功率预测结果的分析 | 第47-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结和展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录1 攻读硕士学位期间发表的论文 | 第59页 |